Es wird zunächst die Working Directory festgelegt und anschließend das CSV-File eingelesen.
NAs in den Variablen “nxste_zeit” und “test_nxste_zeit” werden für die Kategoriebildung kurzfristig auf “-90” gesetzt und anschließend folgende Klassen (“nxste_zeit_kat” und “test_nxste_zeit_kat”) gebildet.
Klassen: 1…-90, 2…0 min, 3… 1-5 min, 4… 6-15 min, 5… 16-30 min, 6… 31-60 min, 7… 61-120 min, 8… 120-180 min, 9…>180 min)
Es wird eine Häufigkeitstabelle ausgegeben. Anschließend wird das Histogramm gebildet.
Die zuvor auf “-90” geänderten Werte wieder auf “NA” gesetzt.
Es werden nun die Zugangszeiten in einem Liniendiagramm dargestellt, um Unterschiede zwischen den ermittelten und angegebenen Zugangszeiten feststellen zu können.
Nun werden die Zu- und Abgangszeiten getrennt betrachtet und ebenfalls als Linien dargestellt. Zunächst werden die Häufigkeiten pro Minute betrachtet.
Nun werden kumulierten Häufigkeiten betrachtet.
Die Klassifizierung ist für die statistische Auswertung erforderlich.
Um die Übereinstimmung der Zugangszeiten feststellen zu können, wird einerseits ein sogenannter Übereinstimmungsfaktor eingeführt, andererseits werden die Zuganszeiten in einem Punktdiagramm dargestellt.
Für Vergleiche zwischen den Zugangszeiten der beiden Datensätze wird ein sogenannter Übereinstimmungsfaktor eingeführt. Dabei wird die bei der Befragung angegebene Zu- bzw. Abgangszeit durch die im Nachhinein ermittelte Zu- bzw. Abgangszeit dividiert. Ein Übereinstimmungsfaktor zwischen 0 und kleiner 1 bedeutet, dass die der Befragung angegebene kürzer ist als die ermittelte Zu- oder Abgangszeit, es wird die Zu- bzw. Abgangszeit also unterschätzt. Ein Übereinstimmungsfaktor von genau 1 bedeutet, dass die Zugangszeiten ident sind und alle Werte größer 1 bedeuten, dass die in der Befragung angegebene Zu- oder Abgangszeit größer ist als die ermittelte Zu- oder Abgangszeit, es handelt sich also um eine Überschätzung der Zu- bzw. Abgangswerte. Jene Werte können zwischen > 1 und unendlich liegen. Da aufgrund dieser Asymmetrie direkte Vergleiche kaum möglich sind, wird in den Diagrammen eine logarithmische Skala herangezogen. Der Übereinstimmungsfaktor ist folgendermaßen zu interpretieren:
Zusätzlich zu dem Übereinstimmungsfaktor wird der logarithmierte Übereinstimmungsfaktor angegeben (lg10 (Zu- bzw. Abgangszeit angegeben/Zu- bzw. Abgangszeit ermittelt)). Dieser ist folgendermaßen zu interpretieren:
| Übereinstimmungsfaktor | Zu- bzw. Abgangszeit | Interpretation | |
|---|---|---|---|
| 2 | < 1 (< 0 bei lg) | angegeben < ermittelt | Unterschätzen der Zu- bzw. Abgangszeit |
| 3 | = 1 (= 0 bei lg) | angegeben = ermittelt | Idente Zu- bzw. Abgangszeit |
| 4 | > 1 (> 0 bei lg) | angegeben > ermittelt | Überschätzen der Zu- bzw. Abgangszeit |
Zusätzlich wird der Übereinstimmungsfaktor in fünf Klassen eingeteilt, die die Kenntnis, also den Grad der Übereinstimmung beschreiben. Dazu wird der nicht logarithmisierte Übereinstimmungfaktor herangezogen. Es ergeben sich folgende Klassen:
Auf der x-Achse befindet sich die bei der Befragung angegebene Zu- bzw. Abgangszeit, auf der y-Achse die im Anschluss ermittelte Zu- bzw. Abgangszeit. Der Übereinstimmungsgrad (Kenntnis) ist in den zuvor eingeführten Kategorien farblich dargestellt. Zusätzlich wird eine durch den Ursprung gehende Regressionsgerade hinzugefügt und die Formel der Regressionsgerade angeführt.
Nun wird der Teilbereich von Zugangszeiten bis 15 min dargestellt. Die Punktansammlungen ergeben sich aufgrund der gewählten Darstellung des Punktdiagramms. Je dünkler ein Bereich, umso mehr Werte befinden sich dort.
Nun wird der Teilbereich von Zugangszeiten bis 15 min dargestellt. Die Punktansammlungen ergeben sich aufgrund der gewählten Darstellung des Punktdiagramms. Je quadratischer und dünkler ein Bereich, umso mehr Werte befinden sich dort.
In weiterer Folge mittels Hypothesentests geprüft, ob verschiedene Variablen einen Einfluss auf den Übereinstimmungsfaktor haben. Dies wird zudem mittels Boxplots graphisch abgebildet, bei denen die Gruppen der untersuchten Variablen sowie die Summe dieser Gruppen einander gegenüber gestellt werden.
Vorgehensweise bei den Hypothesentests
Beschriftung der y-Achse
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 0.0526 0.9488
## 224
## Df Sum Sq Mean Sq F value Pr(>F)
## stand 2 1.73 0.8664 5.611 0.00419 **
## Residuals 224 34.59 0.1544
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$stand
##
## 1 2
## 2 0.5510 -
## 3 0.0032 0.1398
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 3 x 2
## stand name
## <fct> <dbl>
## 1 1 0.477
## 2 2 0.398
## 3 3 0.222
## [1] 2.333333
## # A tibble: 3 x 2
## stand name
## <fct> <dbl>
## 1 1 3
## 2 2 2.5
## 3 3 1.67
1 … Zugangsweg, 2 … Abgangsweg
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 1.3441 0.2475
## 225
## Df Sum Sq Mean Sq F value Pr(>F)
## zuab 1 0.66 0.6593 4.16 0.0426 *
## Residuals 225 35.66 0.1585
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$zuab
##
## 1
## 2 0.043
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## zuab name
## <fct> <dbl>
## 1 1 0.301
## 2 2 0.398
## [1] 2.333333
## # A tibble: 2 x 2
## zuab name
## <fct> <dbl>
## 1 1 2
## 2 2 2.5
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 9 1.4583 0.165
## 217
## Df Sum Sq Mean Sq F value Pr(>F)
## zweck_ausg 9 4.43 0.4922 3.349 0.000735 ***
## Residuals 217 31.89 0.1470
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$zweck_ausg
##
## 1 2 3 4 5 6 7 8 9
## 2 - - - - - - - - -
## 3 - - - - - - - - -
## 4 - - - - - - - - -
## 5 - - - - - - - - -
## 6 - - - - - - - - -
## 7 - - - - - - - - -
## 8 - - - - - - - - -
## 9 - - - - - - - - -
## 10 - - - - - - - - -
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 10 x 2
## zweck_ausg name
## <fct> <dbl>
## 1 1 0.301
## 2 2 0.438
## 3 3 0
## 4 4 0.222
## 5 5 0.398
## 6 6 0.438
## 7 7 0.398
## 8 8 0.611
## 9 9 0.398
## 10 10 0.477
## [1] 2.333333
## # A tibble: 10 x 2
## zweck_ausg name
## <fct> <dbl>
## 1 1 2
## 2 2 2.75
## 3 3 1
## 4 4 1.67
## 5 5 2.5
## 6 6 2.75
## 7 7 2.5
## 8 8 4.17
## 9 9 2.5
## 10 10 3
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 9 0.8472 0.5734
## 217
## Df Sum Sq Mean Sq F value Pr(>F)
## zweck_ziel 9 1.75 0.1942 1.219 0.284
## Residuals 217 34.57 0.1593
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$zweck_ziel
##
## 1 2 3 4 5 6 7 8 9
## 2 - - - - - - - - -
## 3 - - - - - - - - -
## 4 - - - - - - - - -
## 5 - - - - - - - - -
## 6 - - - - - - - - -
## 7 - - - - - - - - -
## 8 - - - - - - - - -
## 9 - - - - - - - - -
## 10 - - - - - - - - -
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 10 x 2
## zweck_ziel name
## <fct> <dbl>
## 1 1 0.301
## 2 2 0.398
## 3 3 0.383
## 4 4 0.398
## 5 5 0.222
## 6 6 0.398
## 7 7 0.301
## 8 8 0.699
## 9 9 0.301
## 10 10 0.301
## [1] 2.333333
## # A tibble: 10 x 2
## zweck_ziel name
## <fct> <dbl>
## 1 1 2
## 2 2 2.5
## 3 3 2.42
## 4 4 2.5
## 5 5 1.67
## 6 6 2.5
## 7 7 2
## 8 8 5
## 9 9 2
## 10 10 2
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.8126 0.3683
## 225
## Df Sum Sq Mean Sq F value Pr(>F)
## weg_routine 1 1.80 1.7972 11.71 0.000737 ***
## Residuals 225 34.52 0.1534
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$weg_routine
##
## 0
## 1 0.00074
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## weg_routine name
## <fct> <dbl>
## 1 0 0.477
## 2 1 0.301
## [1] 2.333333
## # A tibble: 2 x 2
## weg_routine name
## <fct> <dbl>
## 1 0 3
## 2 1 2
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 1.9528 0.122
## 223
## Df Sum Sq Mean Sq F value Pr(>F)
## hst_nutz 3 2.65 0.8843 5.857 0.000723 ***
## Residuals 223 33.67 0.1510
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$hst_nutz
##
## 0 1 2
## 1 0.74347 - -
## 2 1.00000 0.05504 -
## 3 1.00000 0.00027 1.00000
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 4 x 2
## hst_nutz name
## <ord> <dbl>
## 1 0 0.301
## 2 1 0.500
## 3 2 0.349
## 4 3 0.261
## [1] 2.333333
## # A tibble: 4 x 2
## hst_nutz name
## <ord> <dbl>
## 1 0 2
## 2 1 3.17
## 3 2 2.25
## 4 3 1.83
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 3.1979 0.02426 *
## 223
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## One-way analysis of means (not assuming equal variances)
##
## data: gleich_entf_fakt_lg and nxste_nutz
## F = 5.2556, num df = 3.0, denom df = 100.1, p-value = 0.002078
## # A tibble: 6 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_fa~ 0 1 0.315 0.106 0.524 0.00095 ***
## 2 gleich_entf_fa~ 0 2 0.0520 -0.122 0.226 0.861 ns
## 3 gleich_entf_fa~ 0 3 0.0782 -0.0820 0.238 0.585 ns
## 4 gleich_entf_fa~ 1 2 -0.263 -0.486 -0.0400 0.014 *
## 5 gleich_entf_fa~ 1 3 -0.237 -0.450 -0.0235 0.024 *
## 6 gleich_entf_fa~ 2 3 0.0262 -0.153 0.206 0.981 ns
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 4 x 2
## nxste_nutz name
## <fct> <dbl>
## 1 0 0.301
## 2 1 0.523
## 3 2 0.301
## 4 3 0.335
## [1] 2.333333
## # A tibble: 4 x 2
## nxste_nutz name
## <fct> <dbl>
## 1 0 2
## 2 1 3.33
## 3 2 2
## 4 3 2.17
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 2.0027 0.121
## 74
## Df Sum Sq Mean Sq F value Pr(>F)
## nxste_nutz 3 0.275 0.09166 0.751 0.525
## Residuals 74 9.036 0.12211
## 6 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: hst_nxste_nein$gleich_entf_fakt_lg and hst_nxste_nein$nxste_nutz
##
## 0 1 2
## 1 0.97 - -
## 2 1.00 1.00 -
## 3 1.00 1.00 1.00
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.2218487
## # A tibble: 4 x 2
## nxste_nutz name
## <fct> <dbl>
## 1 0 0.301
## 2 1 0.0669
## 3 2 0.222
## 4 3 0
## [1] 1.666667
## # A tibble: 4 x 2
## nxste_nutz name
## <fct> <dbl>
## 1 0 2
## 2 1 1.17
## 3 2 1.67
## 4 3 1
Aufgrund der geringen Anzahl an Beobachtungen in den Kategorien “1 Mal” bis “an 4+ Tagen”, werden die Kategorien zu 2 Nutzungskategorien zusammengefasst (Nutzung Nein und Ja):
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 1.2069 0.2754
## 76
## Df Sum Sq Mean Sq F value Pr(>F)
## nxste_nutz_neu 1 0.173 0.1725 1.435 0.235
## Residuals 76 9.139 0.1202
## 6 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: hst_nxste_nein$gleich_entf_fakt_lg and hst_nxste_nein$nxste_nutz_neu
##
## 0
## 1 0.23
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.2218487
## # A tibble: 2 x 2
## nxste_nutz_neu name
## <dbl> <dbl>
## 1 0 0.301
## 2 1 0.0959
## [1] 1.666667
## # A tibble: 2 x 2
## nxste_nutz_neu name
## <dbl> <dbl>
## 1 0 2
## 2 1 1.25
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 2.3777 0.1245
## 225
## Df Sum Sq Mean Sq F value Pr(>F)
## hst_nxste 1 2.21 2.2090 14.57 0.000175 ***
## Residuals 225 34.11 0.1516
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$hst_nxste
##
## 0
## 1 0.00017
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## hst_nxste name
## <fct> <dbl>
## 1 0 0.222
## 2 1 0.398
## [1] 2.333333
## # A tibble: 2 x 2
## hst_nxste name
## <fct> <dbl>
## 1 0 1.67
## 2 1 2.5
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 17.758 3.632e-05 ***
## 225
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Welch Two Sample t-test
##
## data: gleich_entf_fakt_lg by test_hst_nxste
## t = 9.2614, df = 167.53, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.3207924 0.4946086
## sample estimates:
## mean in group 0 mean in group 1
## 0.48482287 0.07712237
## # A tibble: 1 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_f~ 0 1 -0.408 -0.495 -0.321 1.11e-14 ****
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_hst_nxste name
## <fct> <dbl>
## 1 0 0.477
## 2 1 0
## [1] 2.333333
## # A tibble: 2 x 2
## test_hst_nxste name
## <fct> <dbl>
## 1 0 3
## 2 1 1
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 5 0.2283 0.949
## 71
## Df Sum Sq Mean Sq F value Pr(>F)
## nxste_zufr 5 0.368 0.07354 0.584 0.712
## Residuals 71 8.943 0.12596
## 162 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$nxste_zufr
##
## 0 1 2 3 4
## 1 1 - - - -
## 2 1 1 - - -
## 3 1 1 1 - -
## 4 1 1 1 1 -
## 5 1 1 1 1 1
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.2218487
## # A tibble: 6 x 2
## nxste_zufr name
## <fct> <dbl>
## 1 0 0.398
## 2 1 0.0625
## 3 2 0.0353
## 4 3 0.204
## 5 4 0.222
## 6 5 0.176
## [1] 1.666667
## # A tibble: 6 x 2
## nxste_zufr name
## <fct> <dbl>
## 1 0 2.5
## 2 1 1.17
## 3 2 1.09
## 4 3 1.6
## 5 4 1.67
## 6 5 1.5
Da in den einzelnen Gruppen wenige Beobachtungen sind, werden 5+1 Klassen zu 3+1 Klasse zusammengefasst:
Nun werden die Hypothesentests und die Boxplots für die zusammengefasste Zufriedenheitsvariable durchgeführt:
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 0.0368 0.9905
## 73
## Df Sum Sq Mean Sq F value Pr(>F)
## nxste_zufr_neu 1 0.093 0.09289 0.756 0.387
## Residuals 75 9.218 0.12291
## 162 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$nxste_zufr_neu
##
## 0 1 2
## 1 1 - -
## 2 1 1 -
## 3 1 1 1
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.2218487
## # A tibble: 4 x 2
## nxste_zufr_neu name
## <dbl> <dbl>
## 1 0 0.398
## 2 1 0.0353
## 3 2 0.204
## 4 3 0.222
## [1] 1.666667
## # A tibble: 4 x 2
## nxste_zufr_neu name
## <dbl> <dbl>
## 1 0 2.5
## 2 1 1.09
## 3 2 1.6
## 4 3 1.67
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 15.181 0.000129 ***
## 224
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Welch Two Sample t-test
##
## data: gleich_entf_fakt_lg by weg_kurz
## t = 1.462, df = 26.322, p-value = 0.1556
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.07226337 0.42902736
## sample estimates:
## mean in group 0 mean in group 1
## 0.5338137 0.3554317
## # A tibble: 1 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_fakt~ 0 1 -0.178 -0.429 0.0723 0.156 ns
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## weg_kurz name
## <fct> <dbl>
## 1 0 0.544
## 2 1 0.301
## [1] 2.333333
## # A tibble: 2 x 2
## weg_kurz name
## <fct> <dbl>
## 1 0 3.5
## 2 1 2
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 6.9468 0.008984 **
## 224
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Welch Two Sample t-test
##
## data: gleich_entf_fakt_lg by test_kurz_weg
## t = 0.6462, df = 75.277, p-value = 0.5201
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.09622829 0.18863997
## sample estimates:
## mean in group 0 mean in group 1
## 0.4101253 0.3639195
## # A tibble: 1 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_fakt~ 0 1 -0.0462 -0.189 0.0962 0.52 ns
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_kurz_weg name
## <fct> <dbl>
## 1 0 0.398
## 2 1 0.301
## [1] 2.333333
## # A tibble: 2 x 2
## test_kurz_weg name
## <fct> <dbl>
## 1 0 2.5
## 2 1 2
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 4 2.6549 0.03396 *
## 219
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## One-way analysis of means (not assuming equal variances)
##
## data: gleich_entf_fakt_lg and weg_attrak
## F = 0.76532, num df = 4.000, denom df = 14.701, p-value = 0.5644
## # A tibble: 10 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_fak~ 1 2 0.176 -0.352 0.704 0.782 ns
## 2 gleich_entf_fak~ 1 3 0.195 -0.388 0.777 0.521 ns
## 3 gleich_entf_fak~ 1 4 0.153 -0.478 0.785 0.66 ns
## 4 gleich_entf_fak~ 1 5 0.201 -0.333 0.735 0.525 ns
## 5 gleich_entf_fak~ 2 3 0.0182 -0.375 0.411 1 ns
## 6 gleich_entf_fak~ 2 4 -0.0232 -0.411 0.364 1 ns
## 7 gleich_entf_fak~ 2 5 0.0245 -0.380 0.429 1 ns
## 8 gleich_entf_fak~ 3 4 -0.0413 -0.215 0.132 0.964 ns
## 9 gleich_entf_fak~ 3 5 0.00633 -0.217 0.230 1 ns
## 10 gleich_entf_fak~ 4 5 0.0477 -0.159 0.255 0.968 ns
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 5 x 2
## weg_attrak name
## <ord> <dbl>
## 1 1 0.301
## 2 2 0.383
## 3 3 0.398
## 4 4 0.301
## 5 5 0.349
## [1] 2.333333
## # A tibble: 5 x 2
## weg_attrak name
## <ord> <dbl>
## 1 1 2
## 2 2 2.54
## 3 3 2.5
## 4 4 2
## 5 5 2.25
Da in den einzelnen Gruppen wenige Beobachtungen sind, werden 5 Klassen zu 3 Klassen zusammengefasst:
Nun werden die Hypothesentests und die Boxplots für die zusammengefasste Zufriedenheitsvariable durchgeführt:
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 0.9824 0.376
## 221
## Df Sum Sq Mean Sq F value Pr(>F)
## weg_attrak_neu 1 0.00 0.00004 0 0.987
## Residuals 222 36.27 0.16340
## 15 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$weg_attrak_neu
##
## 1 2
## 2 1 -
## 3 1 1
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 3 x 2
## weg_attrak_neu name
## <dbl> <dbl>
## 1 1 0.301
## 2 2 0.398
## 3 3 0.301
## [1] 2.333333
## # A tibble: 3 x 2
## weg_attrak_neu name
## <dbl> <dbl>
## 1 1 2
## 2 2 2.5
## 3 3 2
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 7 0.3235 0.9428
## 214
## Df Sum Sq Mean Sq F value Pr(>F)
## p_alter_kat 7 3.344 0.4777 3.304 0.00233 **
## Residuals 214 30.941 0.1446
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 17 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_alter_kat
##
## 1 2 3 4 5 6 7
## 2 1.0000 - - - - - -
## 3 1.0000 1.0000 - - - - -
## 4 0.1520 1.0000 1.0000 - - - -
## 5 1.0000 1.0000 1.0000 1.0000 - - -
## 6 1.0000 1.0000 1.0000 1.0000 1.0000 - -
## 7 0.0016 0.2609 1.0000 1.0000 1.0000 0.1759 -
## 8 0.0199 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 8 x 2
## p_alter_kat name
## <ord> <dbl>
## 1 1 0
## 2 2 0.349
## 3 3 0.310
## 4 4 0.383
## 5 5 0.301
## 6 6 0.301
## 7 7 0.500
## 8 8 0.398
## [1] 2.333333
## # A tibble: 8 x 2
## p_alter_kat name
## <ord> <dbl>
## 1 1 1
## 2 2 2.25
## 3 3 2.08
## 4 4 2.42
## 5 5 2
## 6 6 2
## 7 7 3.17
## 8 8 2.5
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.0055 0.9407
## 225
## Df Sum Sq Mean Sq F value Pr(>F)
## p_geschlecht 1 0.00 0.00407 0.025 0.874
## Residuals 225 36.32 0.16140
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_geschlecht
##
## 1
## 2 0.87
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_geschlecht name
## <fct> <dbl>
## 1 1 0.398
## 2 2 0.335
## [1] 2.333333
## # A tibble: 2 x 2
## p_geschlecht name
## <fct> <dbl>
## 1 1 2.5
## 2 2 2.17
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 4 0.1891 0.9439
## 219
## Df Sum Sq Mean Sq F value Pr(>F)
## p_bildung 4 2.01 0.5031 3.224 0.0135 *
## Residuals 219 34.18 0.1561
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 15 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_bildung
##
## 1 2 3 4
## 2 0.3094 - - -
## 3 0.0754 1.0000 - -
## 4 0.0871 1.0000 1.0000 -
## 5 0.0082 1.0000 1.0000 1.0000
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 5 x 2
## p_bildung name
## <ord> <dbl>
## 1 1 0
## 2 2 0.398
## 3 3 0.398
## 4 4 0.335
## 5 5 0.477
## [1] 2.333333
## # A tibble: 5 x 2
## p_bildung name
## <ord> <dbl>
## 1 1 1
## 2 2 2.5
## 3 3 2.5
## 4 4 2.17
## 5 5 3
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 0.0979 0.9611
## 223
## Df Sum Sq Mean Sq F value Pr(>F)
## p_beruf 3 2.56 0.8548 5.647 0.000954 ***
## Residuals 223 33.76 0.1514
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_beruf
##
## 1 2 3
## 2 0.0166 - -
## 3 0.0458 1.0000 -
## 4 0.0086 0.4148 0.7654
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 4 x 2
## p_beruf name
## <fct> <dbl>
## 1 1 0.176
## 2 2 0.398
## 3 3 0.398
## 4 4 0.602
## [1] 2.333333
## # A tibble: 4 x 2
## p_beruf name
## <fct> <dbl>
## 1 1 1.5
## 2 2 2.5
## 3 3 2.5
## 4 4 4
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.9066 0.342
## 223
## Df Sum Sq Mean Sq F value Pr(>F)
## p_fs_B 1 1.32 1.3247 8.448 0.00402 **
## Residuals 223 34.97 0.1568
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 14 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_fs_B
##
## 0
## 1 0.004
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_fs_B name
## <fct> <dbl>
## 1 0 0.222
## 2 1 0.477
## [1] 2.333333
## # A tibble: 2 x 2
## p_fs_B name
## <fct> <dbl>
## 1 0 1.67
## 2 1 3
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.0267 0.8703
## 223
## Df Sum Sq Mean Sq F value Pr(>F)
## p_fs_A 1 0.01 0.00745 0.046 0.831
## Residuals 223 36.29 0.16273
## 14 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_fs_A
##
## 0
## 1 0.83
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_fs_A name
## <fct> <dbl>
## 1 0 0.368
## 2 1 0.383
## [1] 2.333333
## # A tibble: 2 x 2
## p_fs_A name
## <fct> <dbl>
## 1 0 2.33
## 2 1 2.42
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 4.7276 0.03073 *
## 223
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Welch Two Sample t-test
##
## data: gleich_entf_fakt_lg by p_fs_C
## t = -0.37682, df = 3.0314, p-value = 0.7311
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.310047 1.031204
## sample estimates:
## mean in group 0 mean in group 1
## 0.3733671 0.5127881
## # A tibble: 1 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_fakt~ 0 1 0.139 -1.03 1.31 0.731 ns
## `summarise()` ungrouping output (override with `.groups` argument)
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0 0.996
## 221
## Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_rad 1 0.31 0.3078 1.932 0.166
## Residuals 221 35.20 0.1593
## 16 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_rad
##
## 0
## 1 0.17
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_fzg_rad name
## <fct> <dbl>
## 1 0 0.438
## 2 1 0.301
## [1] 2.333333
## # A tibble: 2 x 2
## p_fzg_rad name
## <fct> <dbl>
## 1 0 2.75
## 2 1 2
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.0247 0.8753
## 221
## Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_ebike 1 0.16 0.1619 1.012 0.315
## Residuals 221 35.35 0.1599
## 16 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_ebike
##
## 0
## 1 0.32
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_fzg_ebike name
## <fct> <dbl>
## 1 0 0.383
## 2 1 0.0706
## [1] 2.333333
## # A tibble: 2 x 2
## p_fzg_ebike name
## <fct> <dbl>
## 1 0 2.42
## 2 1 1.18
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.23 0.632
## 221
## Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_mrad 1 0.15 0.1547 0.967 0.326
## Residuals 221 35.35 0.1600
## 16 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_mrad
##
## 0
## 1 0.33
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_fzg_mrad name
## <fct> <dbl>
## 1 0 0.398
## 2 1 0.102
## [1] 2.333333
## # A tibble: 2 x 2
## p_fzg_mrad name
## <fct> <dbl>
## 1 0 2.5
## 2 1 1.3
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 1.607 0.2028
## 220
## Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_pkw 2 0.33 0.1635 1.023 0.361
## Residuals 220 35.18 0.1599
## 16 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_pkw
##
## 0 1
## 1 0.46 -
## 2 1.00 0.65
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 3 x 2
## p_fzg_pkw name
## <fct> <dbl>
## 1 0 0.301
## 2 1 0.533
## 3 2 0.398
## [1] 2.333333
## # A tibble: 3 x 2
## p_fzg_pkw name
## <fct> <dbl>
## 1 0 2
## 2 1 3.42
## 3 2 2.5
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 2.1149 0.1473
## 223
## Df Sum Sq Mean Sq F value Pr(>F)
## p_zeitkarte 1 0.00 0.00251 0.015 0.901
## Residuals 223 36.29 0.16275
## 14 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_zeitkarte
##
## 0
## 1 0.9
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_zeitkarte name
## <fct> <dbl>
## 1 0 0.349
## 2 1 0.368
## [1] 2.333333
## # A tibble: 2 x 2
## p_zeitkarte name
## <fct> <dbl>
## 1 0 2.25
## 2 1 2.33
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.0011 0.9736
## 223
## Df Sum Sq Mean Sq F value Pr(>F)
## p_ermkarte 1 0.32 0.3164 1.961 0.163
## Residuals 223 35.98 0.1613
## 14 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$p_ermkarte
##
## 0
## 1 0.16
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## p_ermkarte name
## <fct> <dbl>
## 1 0 0.301
## 2 1 0.398
## [1] 2.333333
## # A tibble: 2 x 2
## p_ermkarte name
## <fct> <dbl>
## 1 0 2
## 2 1 2.5
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.3617 0.5482
## 225
## Df Sum Sq Mean Sq F value Pr(>F)
## test_citybus 1 0.99 0.9882 6.293 0.0128 *
## Residuals 225 35.33 0.1570
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$test_citybus
##
## 0
## 1 0.013
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_citybus name
## <fct> <dbl>
## 1 0 0.523
## 2 1 0.301
## [1] 2.333333
## # A tibble: 2 x 2
## test_citybus name
## <fct> <dbl>
## 1 0 3.33
## 2 1 2
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.19 0.6633
## 225
## Df Sum Sq Mean Sq F value Pr(>F)
## test_regbus 1 2.72 2.7217 18.23 2.89e-05 ***
## Residuals 225 33.60 0.1493
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: Befragung$gleich_entf_fakt_lg and Befragung$test_regbus
##
## 0
## 1 2.9e-05
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_regbus name
## <fct> <dbl>
## 1 0 0.477
## 2 1 0.222
## [1] 2.333333
## # A tibble: 2 x 2
## test_regbus name
## <fct> <dbl>
## 1 0 3
## 2 1 1.67
Die Variable “test_bus” wird eingeführt, da bei ÖU 2013/2014 auch nicht nach City- und Regionalbus unterschieden wurde. Danach werden die Variablen “test_regbus” und “test_citybus” zur Variable “test_bus” kombiniert.
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 2.04 0.1546
## 225
## Df Sum Sq Mean Sq F value Pr(>F)
## test_bus 1 0.14 0.1414 0.88 0.349
## Residuals 225 36.18 0.1608
## 12 observations deleted due to missingness
##
## Pairwise comparisons using t tests with pooled SD
##
## data: test_busBoxplot$gleich_entf_fakt_lg and test_busBoxplot$test_bus
##
## 0
## 1 -
##
## P value adjustment method: bonferroni
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_bus name
## <dbl> <dbl>
## 1 0 0
## 2 1 0.383
## [1] 2.333333
## # A tibble: 2 x 2
## test_bus name
## <dbl> <dbl>
## 1 0 1
## 2 1 2.42
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 11.68 0.0007496 ***
## 225
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Welch Two Sample t-test
##
## data: gleich_entf_fakt_lg by test_wlb
## t = 8.1475, df = 196.24, p-value = 4.276e-14
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.2818725 0.4619069
## sample estimates:
## mean in group 0 mean in group 1
## 0.4981356 0.1262460
## # A tibble: 1 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_f~ 0 1 -0.372 -0.462 -0.282 6.29e-14 ****
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_wlb name
## <fct> <dbl>
## 1 0 0.477
## 2 1 0
## [1] 2.333333
## # A tibble: 2 x 2
## test_wlb name
## <fct> <dbl>
## 1 0 3
## 2 1 1
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 4.9442 0.02717 *
## 225
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Welch Two Sample t-test
##
## data: gleich_entf_fakt_lg by test_zug
## t = 3.1218, df = 6.1893, p-value = 0.01971
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.05899682 0.47259318
## sample estimates:
## mean in group 0 mean in group 1
## 0.382290 0.116495
## # A tibble: 1 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_fakt~ 0 1 -0.266 -0.473 -0.0590 0.02 *
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_zug name
## <fct> <dbl>
## 1 0 0.398
## 2 1 0
## [1] 2.333333
## # A tibble: 2 x 2
## test_zug name
## <fct> <dbl>
## 1 0 2.5
## 2 1 1
Zunächst wird eine neue Variable eingeführt, bei der getestet wird, ob der angegebene Haltestellenname der nächstgelegenen Haltestelle mit der ermittelten Haltestelle übereinstimmt. - 0 … Nein, die Haltestellennamen stimmen nicht überein - 1 … Ja, die Haltestellennamen sind ident
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 13.519 0.0002954 ***
## 225
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Welch Two Sample t-test
##
## data: gleich_entf_fakt_lg by test_hst_nxste_gleich
## t = 9.2725, df = 225, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.3184039 0.4902588
## sample estimates:
## mean in group 0 mean in group 1
## 0.5355722 0.1312408
## # A tibble: 1 x 8
## .y. group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 gleich_entf_fakt~ 0 1 -0.404 -0.490 -0.318 0 ****
## `summarise()` ungrouping output (override with `.groups` argument)
## [1] 0.3679768
## # A tibble: 2 x 2
## test_hst_nxste_gleich name
## <dbl> <dbl>
## 1 0 0.523
## 2 1 0
## [1] 2.333333
## # A tibble: 2 x 2
## test_hst_nxste_gleich name
## <dbl> <dbl>
## 1 0 3.33
## 2 1 1
Zunächst werden Subsets für die einzelnen Haltestellenkategorien gebildet. Im Anschluss wird eine Häufigkeitstabelle pro Kategorie erzeugt. Alle Häufigkeitstabellen werden danach zu einer Tabelle zusammengefasst.
Es wird die Bevölkerungsstatistik vom 1.1.2020 nach Politischen Bezirken, Alter und Geschlecht der Statistik Austria herangezogen (www.statistik.at/web_de/statistiken/menschen_und_gesellschaft/bevoelkerung/bevoelkerungsstruktur/bevoelkerung_nach_alter_geschlecht/index.html) und es werden 5-Jahresklassen gebildet.
## 'data.frame': 36 obs. of 4 variables:
## $ bezirk : chr "Baden" "Baden" "Baden" "Baden" ...
## $ geschlecht: chr "m" "m" "m" "m" ...
## $ alter : chr "0-4" "5-9" "10-14" "15-19" ...
## $ anzahl : int 3400 3708 3715 3958 3838 4221 4475 4904 4665 5367 ...
Zunächst werden die entsprechenden Alterskategorien gebildet.
Nun wird die Alterspyramide erstellt.
Attraktivität des Zugangsweges zum bzw. des Abgangweges vom Befragunggstandort.
Mehrfachnennungen waren möglich.
Mehrfachnennungen waren möglich.
Mehrfachnennungen waren möglich.
Mehrfachnennungen möglich
Mehrfachnennungen möglich
Es wird die Erwerbsstatistik der Stadt Baden hinzugefügt (https://www.statistik.at/blickgem/ae1/g30604.pdf):
Nun wird eine Häufigkeitstabelle erzeugt und geplottet.
Es wird die Ausbildungsstatistik des Bezirks Baden hinzugefügt (https://www.noe.gv.at/noe/Zahlen-Fakten/Schulabschluss_2018.xlsx - Gemeindegliederung nach https://www.noe.gv.at/noe/Baden/Gemeinden_im_Bezirk_Baden.html).
Nun wird eine Häufigkeitstabelle erzeugt und geplottet.
| Kürzester Weg | Zugang | Abgang | Gesamt | Zugang | Abgang | Gesamt |
|---|---|---|---|---|---|---|
| Nein | 12 | 15 | 27 | 31 | 25 | 56 |
| Ja | 120 | 87 | 207 | 100 | 76 | 176 |
| Nächstes Verkehrsmittel | Citybus | Regionalbus | WLB | Zug | Citybus | Regionalbus | WLB | Zug | Idente nächste Haltestelle |
|---|---|---|---|---|---|---|---|---|---|
| Nein | 31 | 37 | 51 | 176 | 61 | 92 | 158 | 228 | 141 |
| Ja | 196 | 190 | 176 | 51 | 173 | 142 | 76 | 6 | 91 |
| Weiß nicht | 9 | 9 | 9 | 9 |
Es wird das Ergebnis der Bus-Fahrplananalyse hinzugefügt.
Zunächst werden Subsets gebildet, anschließend Häufigkeitstabellen erstellt und zum Schluss die Tabelle layoutiert.
| Ausgang | Zugang | Abgang | Gesamt | Zugang | Abgang | Gesamt | Zugang | Abgang | Gesamt |
|---|---|---|---|---|---|---|---|---|---|
| 1: Haupteingang | 9 | 47 | 56 | 50% | 78.33% | 71.79% | 68,64% | 75,95% | 72,88% |
| 2: Felber | 1 | 6 | 7 | 5.56% | 10% | 8.97% | 16,42% | 6,62% | 10,73% |
| 3: Rampe | 2 | 2 | 3.33% | 2.56% | 1,88% | 3,41% | 2,77% | ||
| 4: Hinterausgang | 8 | 5 | 13 | 44.44% | 8.33% | 16.67% | 13,06% | 14,02% | 13,62% |
| Summe | 18 | 60 | 78 | 100.00% | 100.00% | 100.00% | 100,00% | 100,00% | 100,00% |
Es wird das Ergebnis der Bus-Fahrplananalyse hinzugefügt.
Zunächst werden Subsets gebildet, anschließend Häufigkeitstabellen erstellt und zum Schluss die Tabelle layoutiert.
Bei der Zählung wurden Ausgang 22 und 23 zusammengefasst, da das Verbinden von Zellen nur mit zusätzlichem Aufwand in R durchgeführt werden kann, wird die Tabelle später manuell nachbearbeitet.
| 11 | 12 | 13 | Summe 1 | 21 | 22 | 23 | 24 | Summe 2 | |
|---|---|---|---|---|---|---|---|---|---|
| Befragung | |||||||||
| Anzahl | 22 | 5 | 3 | 30 | 28 | 6 | 11 | 2 | 47 |
| Prozentuell | 73.33% | 16.67% | 10% | 100.00% | 59.57% | 12.77% | 23.4% | 4.26% | 100.00% |
| Zählung | |||||||||
| Prozentuell | 76,60% | 8,51% | 14,89% | 100,00% | 58,82% | 35,29% | 5,88% | 100,00% | |
Es wird das Ergebnis der Bus-Fahrplananalyse hinzugefügt.
Zunächst werden Subsets gebildet, anschließend Häufigkeitstabellen erstellt und zum Schluss die Tabelle layoutiert.
| A | B | C | 301 | 302 | 303 | 304 | 306 | 308 | 310 | 315 | 320 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Befragung: Anzahl an Befragungen pro Buslinie und Richtung (6-21 Uhr) | ||||||||||||
| Zum Bahnhof | 11 | 0 | 3 | 2 | 1 | 1 | 1 | 1 | 3 | 1 | 6 | 7 |
| Vom Bahnhof | 0 | 2 | 2 | 13 | 2 | 0 | 0 | 6 | 10 | 0 | 9 | 3 |
| Gesamt | 11 | 2 | 5 | 15 | 3 | 1 | 1 | 7 | 13 | 1 | 15 | 10 |
| Prozentuell | 13.1% | 2.38% | 5.95% | 17.86% | 3.57% | 1.19% | 1.19% | 8.33% | 15.48% | 1.19% | 17.86% | 11.9% |
| Fahrplananalyse: Anzahl an haltenden Bussen pro Buslinie und Richtung (6-21 Uhr) | ||||||||||||
| Zum Bahnhof | 25 | 0 | 23 | 18 | 2 | 2 | 4 | 11 | 37 | 6 | 23 | 18 |
| Vom Bahnhof | 0 | 22 | 23 | 21 | 5 | 2 | 4 | 9 | 36 | 0 | 19 | 16 |
| Gesamt | 25 | 22 | 46 | 39 | 7 | 4 | 8 | 20 | 73 | 6 | 42 | 34 |
| Prozentuell | 7,67% | 6,75% | 14,11% | 11,96% | 2,15% | 1,23% | 2,45% | 6,13% | 22,39% | 1,84% | 12,88% | 10,43% |